CN113317820B - 一种基于人工智能技术的超促排卵治疗中卵泡发育预测系统 - Google Patents
一种基于人工智能技术的超促排卵治疗中卵泡发育预测系统 Download PDFInfo
- Publication number
- CN113317820B CN113317820B CN202110526960.1A CN202110526960A CN113317820B CN 113317820 B CN113317820 B CN 113317820B CN 202110526960 A CN202110526960 A CN 202110526960A CN 113317820 B CN113317820 B CN 113317820B
- Authority
- CN
- China
- Prior art keywords
- data
- treatment
- neural network
- prediction model
- artificial intelligence
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B10/00—Other methods or instruments for diagnosis, e.g. instruments for taking a cell sample, for biopsy, for vaccination diagnosis; Sex determination; Ovulation-period determination; Throat striking implements
- A61B10/0012—Ovulation-period determination
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B10/00—Other methods or instruments for diagnosis, e.g. instruments for taking a cell sample, for biopsy, for vaccination diagnosis; Sex determination; Ovulation-period determination; Throat striking implements
- A61B10/0012—Ovulation-period determination
- A61B2010/0029—Ovulation-period determination based on time measurement
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及一种基于人工智能技术的超促排卵治疗中卵泡发育预测系统,从人工智能角度结合妇科内分泌相关理论,以既往患者诊疗经过临床数据为研究对象,经过自主学习和训练得到人工智能函数模型系统,辅助临床医生进行临床预判及临床错误预警与校正,提高临床诊疗安全性、准确性、可控性和高效性;为生殖医学中COH患者临床管理的研究提供新视角,完善超促排卵治疗过程中人为临床诊疗经验不足、预测预判能力有限的局限性;推进超促排卵用药剂量精细化、标准化研究,为错误用药方案产生OHSS病例数据设置预警值,以计算机语言进行预警矫正提供理论依据;优化临床医生诊疗效率,降低COH医疗风险,提高获卵结局性价比,节约医疗成本。
Description
技术领域
本发明涉及专门适用于医疗诊断,医学模拟或医疗数据挖掘的ICT;专门适用于检测、监测或建模流行病或传染病的技术领域,特别涉及一种基于人工智能技术的超促排卵治疗中卵泡发育预测系统。
背景技术
世界卫生组织预测,不孕不育将成为仅次于肿瘤和心脑血管病的第三大疾病,对采用医疗辅助手段促使不孕不育夫妇妊娠,即辅助生殖技术(Assisted ReproductiveTechnology,ART)的需求将持续增加。
ART技术包括人工授精和体外受精-胚胎移植(IVF-ET)及其衍生技术两大类,超促排卵(COH)是ART的重要环节之一,合理规范和安全的超促排卵过程是获取高质高量胚胎的前提,亦是提高临床妊娠率的基本保障。
ART的成功率取决于多环节,不同患者的卵巢功能等条件不同,虽然促排卵药的使用大大提高了不孕不育的治愈率,为众多不孕患者带来了福音,但由于药物对患者正常的生理状态进行了干预,加之部分临床用药管理方面存在的问题,目前尚无统一的COH用药方案指导临床工作者个体化精准诊疗,使得COH的患者管理具有一定的不可控性,也造成了一些非预期的负面作用,包括增加多胎妊娠及相关母婴危险、增加卵巢过度刺激综合征(OHSS)的发生率、某些肿瘤与诱发排卵有关、对子代的影响及其他风险等,且临床工作中对于促排结果的判读以及远期获卵结局的预测,不同临床医生也有着较大的临床差异。
发明内容
本发明解决了现有技术中存在的问题,提供了一种优化的基于人工智能技术的超促排卵治疗中卵泡发育预测系统。
本发明所采用的技术方案是,一种基于人工智能技术的超促排卵治疗中卵泡发育预测系统,所述预测系统包括:
一促排卵方案类型选择预测模型A,用于预测促排卵方案类型;
一基于LSTM的预测模型B,用于预测卵泡发育;
所述系统的预测方法包括以下步骤:
步骤1:采集历史病例,获取历史病例数据及对应的历史超促排卵治疗数据;
步骤2:对采集的数据进行清洗及预处理;
步骤3:基于步骤2处理后的数据构建促排卵方案类型选择预测模型A;
步骤4:基于步骤2处理后的数据和促排卵方案类型选择预测模型A的输出构建基于LSTM的预测模型B;
步骤5:构建当前病患的信息数据库,对病患的信息数据库补充初始数据;
步骤6:将所述初始数据输入预测模型A,将预测模型A和每一周期用药后病患的信息数据按周期输入预测模型B,基于所述预测模型B对个体进行用药并监测,直至达到预设结果。
优选地,所述步骤1中,历史病例数据包括客观信息数据、周期促排方案和其他信息,其中,客观信息数据客观反应病患身体状态并与治疗强相关;
历史超促排卵治疗数据包括在至少2种超促排卵治疗方案下的用药信息及对应的用药后检测数据,其中,用药信息包括药品及其对应的用量,用药后检测数据包括生理指标;
匹配所述历史病例获取用药表和治疗跟踪表,所述用药表用于记录对任一药物的使用信息,所述治疗跟踪表用于记录对病患使用任一种或多种药物后的客观信息数据。
优选地,所述步骤2中,数据清洗包括对缺失值和异常值的处理,当与治疗强相关的关键字段缺失时,删除对应的数据,否则以空值代替;对类别型特征数据进行赋值,全部赋值完毕后,归一化处理。
优选地,所述步骤3包括以下步骤:
步骤3.1:基于步骤2处理后的数据,建立训练数据集和验证数据集;
步骤3.2:对训练数据集和验证数据集分别设置标签字段;标签字段为最终获取的卵泡数量;
步骤3.3:构建三层全连接神经网络,以输出的预测值与标签字段对应的标签值之间的均方根误差为反馈,对神经网络进行训练;
步骤3.4:得到稳定的促排卵方案类型选择预测模型,用于预测患者在使用不同治疗方案下最终能够获取的卵泡数量。
优选地,所述步骤3.3中,三层全连接神经网络包括顺次设置的输入层、隐含层和输出层,所述输入层用于第一层为输入层用于接收输入数据,所述输出层用于输出预测值。
优选地,配合所述三层全连接神经网络的输入层还构建有特征加权调整模块;对于任一特征x进行加权,得到加权后的特征x′,x′=x·f(X),其中,f(X)=W·X+b,X为所有特征的集合,f(X)为该特征的最终权重,W和b是可学习的参数集合,W和b通过梯度下降算法更新。
优选地,所述步骤4包括以下步骤:
步骤4.1:基于步骤2处理后的数据,建立训练数据集和验证数据集;
步骤4.2:对训练数据集和验证数据集分别设置标签字段;标签字段为任一次治疗后卵泡生长情况预测值、当前次治疗后的状态及下一次治疗建议用药量;
步骤4.3:构建改进后的全连接-LSTM神经网络,以输出结果的准确度作为反馈,对神经网络进行训练,直到准确度低于设定阈值或执行批次数量达到预设值;
步骤4.4:得到稳定的基于LSTM的预测模型,用于预测患者在使用不同治疗方案下的结果。
优选地,所述步骤4.3中,全连接-LSTM神经网络包括若干级神经网络块,任一神经网络块包括顺次设置的两层全连接网络和LSTM层;
第一级神经网络块的输入端对应任一病患的初始数据,最后一级神经网络块的输出端对应最后一次治疗后病患的信息数据;
第一级神经网络块的全连接网络输出的隐含向量为第一级神经网络块的LSTM层输入;
所有的神经网络块的LSTM层输出中间向量,任一所述中间向量与后一个神经网络块的全连接网络输出的隐含向量共同作为后一个神经网络块的LSTM层的输入。
优选地,对应所述最后一级神经网络块的输出端设有与病患的信息数据库匹配的专家干预数据模块,所述专家干预数据模块中设有一个或多个预警值和/或阈值。
优选地,匹配所述专家干预数据模块的任一两层全连接网络的输入端配置有专家干预特征加权调整模块;用于对每一级神经网络块的输入进行预调整。
本发明涉及一种优化的基于人工智能技术的超促排卵治疗中卵泡发育预测系统,采集历史病例,获取历史病例数据及对应的历史超促排卵治疗数据后,对采集的数据进行清洗及预处理,基于处理后的数据构建促排卵方案类型选择预测模型A,基于数据和促排卵方案类型选择预测模型A的输出构建基于LSTM的预测模型B;构建当前病患的信息数据库,对病患的信息数据库补充初始数据,将初始数据输入预测模型A,将预测模型A和每一周期用药后病患的信息数据按周期输入预测模型B,基于所述预测模型B对个体进行用药并监测,直至达到预设结果。
本发明从人工智能的角度出发,结合妇科内分泌相关理论,以COH过程中既往患者诊疗经过临床数据为研究对象,经过自主学习和训练得到人工智能函数模型系统,辅助临床医生进行临床预判及临床错误预警与校正体系,提高临床诊疗安全性、准确性、可控性和高效性。
本发明为生殖医学中COH患者临床管理的研究提供新的视角,完善超促排卵治疗过程中人为临床诊疗经验不足、预测预判能力有限的局限性;推进超促排卵用药剂量精细化、标准化研究,为错误用药方案产生OHSS病例数据设置预警值,以计算机语言的方式进行预警矫正提供了理论依据;优化了临床医生诊疗效率,降低了COH的医疗风险,提高了获卵结局的性价比,节约了医疗成本。
附图说明
图1为本发明的系统预测方法的流程图;
图2为本发明的系统中基于促排卵方案类型选择预测模型A、基于LSTM的预测模型B的结构示意图。
具体实施方式
下面结合实施例对本发明做进一步的详细描述,但本发明的保护范围并不限于此。
本发明涉及一种基于人工智能技术的超促排卵治疗中卵泡发育预测系统,所述预测系统包括:
一促排卵方案类型选择预测模型A,用于预测促排卵方案类型;
一基于LSTM的预测模型B,用于预测卵泡发育;
所述系统的预测方法包括以下步骤:
步骤1:采集历史病例,获取历史病例数据及对应的历史超促排卵治疗数据;
所述步骤1中,历史病例数据包括客观信息数据、周期促排方案和其他信息,其中,客观信息数据客观反应病患身体状态并与治疗强相关;
历史超促排卵治疗数据包括在至少2种超促排卵治疗方案下的用药信息及对应的用药后检测数据,其中,用药信息包括药品及其对应的用量,用药后检测数据包括生理指标;
匹配所述历史病例获取用药表和治疗跟踪表,所述用药表用于记录对任一药物的使用信息,所述治疗跟踪表用于记录对病患使用任一种或多种药物后的客观信息数据。
本发明中,客观信息数据中的字段包括但不限于患者的年龄、身高、体重、血压、病史、不孕原因、是否酗酒、是否吸烟、AMH(抗谬勒氏管激素)、FSH(卵泡刺激素)、LH(黄体生成素)、PRL(泌乳素)、E2(雌激素)、P(孕激素)、T(雄激素)、AFC(窦卵泡计数)、BMI(体重指数)、Gn启动剂量、Gn总剂量、Gn天数、不孕类型、诊断、不孕年限、启动日性激素六项、HCG日性激素六项、取卵个数、不同时间点卵泡径线等;强相关是指这些客观信息数据与患者的用药、确定患者的治疗手段密切相关,且其中任一项或几项指标的组合的差异会导致用药和治疗手段的差异。
本发明中,其他信息是指辅助医生进行用药和治疗手段确定的信息,包括但不限于学历、地域等。
本发明中,周期促排方案包括但不限于黄体期短效长方案、黄体期长效长方案、拮抗剂方案、微刺激方案、PPOS方案、卵泡期长方案、温和刺激方案、超长方案、改良超长方案等,方案本身为本领域技术人员的公知技术,本领域技术人员可基于其基本原理进行设置。
本发明中,用药信息包括不同周期促排方案下的用药剂量以及患者不同用药剂量后的各项指标,其中,用药包括但不限于果纳酚、丽申宝、乐宝得、达必佳等,指标数据包括但不限于FSH(卵泡刺激素)、LH(黄体生成素)、PRL(泌乳素)、E2(雌激素)、P(孕激素)、T(雄激素)、AFC(窦卵泡计数)、d(卵泡经线)、EM(子宫内膜厚度)的数据。
本发明中,用药表的信息包括但不限于超促排卵方案类型、促排药物名称、药物用量、用药时间、用药次序(第几次用药)等。
本发明中,治疗跟踪表的信息包括但不限于用药ID、超促排卵用药后病患各项生理指标数据、后续治疗预测方案等,其中,生理指标包括FSH(卵泡刺激素)、LH(黄体生成素)、PRL(泌乳素)、E2(雌激素)、P(孕激素)、T(雄激素)、AFC(窦卵泡计数)、d(卵泡经线)、EM(子宫内膜厚度)等,后续治疗预测方案包括但不限于增大用药量、减少用药量、保持用药量、超促排卵结局。
步骤2:对采集的数据进行清洗及预处理;
所述步骤2中,数据清洗包括对缺失值和异常值的处理,当与治疗强相关的关键字段缺失时,删除对应的数据,否则以空值代替;对类别型特征数据进行赋值,全部赋值完毕后,归一化处理。
本发明中,异常值包括中途退出超促排卵周期病例数据,对于这类值应当直接删除。
本发明中,与治疗强相关的关键字段包括基础性激素六项、AFC计数等,指这些字段与患者的用药、确定患者的治疗手段密切相关,且其中任一项或几项指标的组合的差异会导致用药和治疗手段的差异。
本发明中,类别型特征数据包括但不限于不孕类型、诊断、治疗类型等,首先用数字表示每个类别,之后对所有特征进行归一化,归一化后所有特征值均在0至1间。
步骤3:基于步骤2处理后的数据构建促排卵方案类型选择预测模型A;
所述步骤3包括以下步骤:
步骤3.1:基于步骤2处理后的数据,建立训练数据集和验证数据集;
步骤3.2:对训练数据集和验证数据集分别设置标签字段;
所述步骤3.2中,标签字段为最终获取的卵泡数量。
步骤3.3:构建三层全连接神经网络,以输出的预测值与标签字段对应的标签值之间的均方根误差为反馈,对神经网络进行训练;
所述步骤3.3中,三层全连接神经网络包括顺次设置的输入层、隐含层和输出层,所述输入层用于第一层为输入层用于接收输入数据,所述输出层用于输出预测值。
步骤3.4:得到稳定的促排卵方案类型选择预测模型,用于预测患者在使用不同治疗方案下最终能够获取的卵泡数量。
配合所述三层全连接神经网络的输入层还构建有特征加权调整模块;对于任一特征x进行加权,得到加权后的特征x′,x′=x·f(X),其中,f(X)=W·X+b,X为所有特征的集合,f(X)为该特征的最终权重,W和b是可学习的参数集合,W和b通过梯度下降算法更新。
本发明中,一般来说,将80%病患的数据作为训练数据集、20%的数据作为验证数据集。
本发明中,训练此促排卵方案类型选择预测模型所需的数据包括患者年龄、身高、体重、血压、病史、学历、不孕原因、地域、是否酗酒、是否吸烟、AMH(抗谬勒氏管激素)、FSH(卵泡刺激素)、LH(黄体生成素)、PRL(泌乳素)、E2(雌激素)、P(孕激素)、T(雄激素)、AFC(窦卵泡计数)、BMI(体重指数)、不孕类型、诊断、不孕年限等。
本发明中,完成模型训练后,在实际应用中,通过输入病患的相关信息与治疗方案,获取到最终取卵数量预测结果,治疗方案包括黄体期短效长方案、黄体期长效长方案、拮抗剂方案、微刺激方案、PPOS方案、卵泡期长方案、温和刺激方案、超长方案、改良超长方案,能够预测出患者在使用不同治疗方案下最终能够获取的卵泡数量,并从中选择最佳方案。
本发明中,对于不同特征组合,每个特征的对预测结果的重要度是动态变化的,故设置特征加权调整模块对输入的特征进行预调节,特别是在冷启动阶段或是数据尚不足以支撑模型应用的前期;举例来说,当患者实现已经经历过一轮治疗、服用过一些药剂时,其生理指标的参考价值与完全没有用药过的患者肯定存在差异,此时需要对特征值进行一定程度的、符合治疗需求的调整,此为本领域技术人员容易理解的内容,本领域技术人员可以依据实际情况进行设置。
本发明中,在经过长时间的案例积累后,特征加权将进入较为稳定的状态,此时的特征加权调整模块为自动匹配权值;举例来说,对于年轻患者和高龄患者,通过对年龄的识别,其每个被采集的数据的权重显然不同,此可以由特征加权调整模块自主分配;而对于大部分的病例来说,其中的某些数值将被标记为“非常重要”,则此时其权重将明显大于其他数值。
步骤4:基于步骤2处理后的数据和促排卵方案类型选择预测模型A的输出构建基于LSTM的预测模型B;
所述步骤4包括以下步骤:
步骤4.1:基于步骤2处理后的数据,建立训练数据集和验证数据集;
步骤4.2:对训练数据集和验证数据集分别设置标签字段;标签字段为任一次治疗后卵泡生长情况预测值、当前次治疗后的状态及下一次治疗建议用药量。
步骤4.3:构建改进后的全连接-LSTM神经网络,以输出结果的准确度作为反馈,对神经网络进行训练,直到准确度低于设定阈值或执行批次数量达到预设值;
所述步骤4.3中,全连接-LSTM神经网络包括若干级神经网络块,任一神经网络块包括顺次设置的两层全连接网络和LSTM层;
第一级神经网络块的输入端对应任一病患的初始数据,最后一级神经网络块的输出端对应最后一次治疗后病患的信息数据;
第一级神经网络块的全连接网络输出的隐含向量为第一级神经网络块的LSTM层输入;
所有的神经网络块的LSTM层输出中间向量,任一所述中间向量与后一个神经网络块的全连接网络输出的隐含向量共同作为后一个神经网络块的LSTM层的输入。
步骤4.4:得到稳定的基于LSTM的预测模型,用于预测患者在使用不同治疗方案下的结果。
本发明中,一般来说,将80%病患的数据作为训练数据集、20%的数据作为验证数据集。
本发明中,训练此基于LSTM的预测模型时,除了训练预测模型A时的数据外,还需要Gn启动剂量、Gn总剂量、Gn天数、启动日性激素六项、HCG日性激素六项、取卵个数、不同时间点卵泡径线等。
本发明中,标签字段包括第n次治疗后卵泡生长情况预测值、第n次治疗后的状态(包括继续治疗、治疗成功、治疗失败)以及第n+1次治疗建议用药量。
本发明中,预测模型B通过两层全连接网络,将输入数据转换成隐向量h,中间的LSTM层以前一层的中间向量和隐向量作为输入,生成中间输出,最后一层的LSTM产生最终预测结果。
本发明中,在实际训练中,对于一个患者的数据,首先将第1次治疗数据作为输入,得到第1次治疗后患者卵泡生长径线变化情况预测值、治疗过程中每次用药剂量预测值、以及用药后体内性激素血值波动预测值、子宫内膜生长预测值、第1次治疗后的状态(包括超促排卵后获卵总数、MII成熟卵泡总数、正常受精2PN卵泡总数、取卵后患者身体E2水平,胸腹水情况预测值,其他相关生命体征参数如血压脉搏心率等)预测值、以及第2次治疗建议用药量的预测值,以真实数据作为标签,通过反馈学习训练模型参数,此时完成一次训练;
接下来将第1次和第2次治疗数据作为输入,得到第2次治疗后患者卵泡生长径线变化情况预测值、治疗过程中每次用药剂量预测值、以及用药后体内性激素血值波动预测值、子宫内膜生长预测值、第2次治疗后的状态(包括超促排卵后获卵总数、MII成熟卵泡总数、正常受精2PN卵泡总数、取卵后患者身体E2水平,胸腹水情况预测值,其他相关生命体征参数如血压脉搏心率等)预测值、以及第3次治疗建议用药量的预测值,此时完成模型的第二次训练;
依次类推,直到将该患者n-1条数据作为输入,得到患者第n-1次治疗后卵泡生长径线变化情况预测值、治疗过程中每次用药剂量预测值、以及用药后体内性激素血值波动预测值、子宫内膜生长预测值、第n-1次治疗后的状态(包括超促排卵后获卵总数、MII成熟卵泡总数、正常受精2PN卵泡总数、取卵后患者身体E2水平,胸腹水情况预测值,其他相关生命体征参数如血压脉搏心率等)预测值、以及第n次治疗建议用药量的预测值,此时完成对一个患者的训练过程;
直到最后对训练集中所有患者完成训练后即完成一个批次的训练过程,之后,通过验证集计算模型的准确度,直到该准确度低于设定阈值,或者执行批次数量达到最大批次数,否则继续执行下一个批次的训练。
步骤5:构建当前病患的信息数据库,对病患的信息数据库补充初始数据;
步骤6:将所述初始数据输入预测模型A,将预测模型A和每一周期用药后病患的信息数据按周期输入预测模型B,基于所述预测模型B对个体进行用药并监测,直至达到预设结果。
对应所述最后一级神经网络块的输出端设有与病患的信息数据库匹配的专家干预数据模块,所述专家干预数据模块中设有一个或多个预警值和/或阈值。
匹配所述专家干预数据模块的任一两层全连接网络的输入端配置有专家干预特征加权调整模块;用于对每一级神经网络块的输入进行预调整。
本发明中,专家干预数据模块中的预警值/阈值包括但不限于超促排卵过程中启动剂量合理范围应在75-300单位之间、HCG日当天内膜厚度应在7mm以上、获卵数应在10-15个之间;另外还包括其他规则校正体系:
当预测HCG日E2>5000pg/ml时,提前提示医生对用药量进行调整;
当超促排卵过程中卵泡发育变化率每天增加大于2mm或小于1mm时提前提示医生对当天用药量进行调整;
当LH上升过快(超过平均值)时提示有提前排卵可能,提前进行用药干预,预防提前排卵等。
本发明中,事实上,对于不同的治疗方案,其中涉及到的每个特征的对预测结果的重要度是动态变化的,且基于个体的差异,每个特征对预测结果的不确定性影响就更大,故设置专家干预数据模块对预警值和/或阈值进行预先调控,同时为专家干预数据模块配置专家干预特征加权调整模块,即基于专家的判断对每一级神经网络块的输入进行预调整,此时可以为特征加权调整模块的自动调节,也可以加入人工(专家)的实时动态调整,并模拟得到调整后的实时效果。
本发明中,任一次调整得到正向效果,则当前调整所涉的所有数据将被计入数据库;所有数据库中的数据将在预设时间后重新被应用于训练模型,进行模型的更新。
Claims (9)
1.一种基于人工智能技术的超促排卵治疗中卵泡发育预测系统,其特征在于:所述预测系统包括:
一促排卵方案类型选择预测模型A,用于预测促排卵方案类型;
一基于LSTM的预测模型B,用于预测卵泡发育;
所述系统的预测方法包括以下步骤:
步骤1:采集历史病例,获取历史病例数据及对应的历史超促排卵治疗数据;
步骤2:对采集的数据进行清洗及预处理;
步骤3:基于步骤2处理后的数据构建促排卵方案类型选择预测模型A;
步骤4:基于步骤2处理后的数据和促排卵方案类型选择预测模型A的输出构建基于LSTM的预测模型B;基于LSTM的预测模型包括若干级神经网络块,对应最后一级神经网络块的输出端设有与病患的信息数据库匹配的专家干预数据模块,所述专家干预数据模块中设有一个或多个预警值和/或阈值;
步骤5:构建当前病患的信息数据库,对病患的信息数据库补充初始数据;
步骤6:将所述初始数据输入预测模型A,将预测模型A和每一周期用药后病患的信息数据按周期输入预测模型B,基于所述预测模型B对个体进行用药并监测,直至达到预设结果。
2.根据权利要求1所述的一种基于人工智能技术的超促排卵治疗中卵泡发育预测系统,其特征在于:所述步骤1中,历史病例数据包括客观信息数据、周期促排方案和其他信息,其中,客观信息数据客观反应病患身体状态并与治疗强相关;
历史超促排卵治疗数据包括在至少2种超促排卵治疗方案下的用药信息及对应的用药后检测数据,其中,用药信息包括药品及其对应的用量,用药后检测数据包括生理指标;
匹配所述历史病例获取用药表和治疗跟踪表,所述用药表用于记录对任一药物的使用信息,所述治疗跟踪表用于记录对病患使用任一种或多种药物后的客观信息数据。
3.根据权利要求1所述的一种基于人工智能技术的超促排卵治疗中卵泡发育预测系统,其特征在于:所述步骤2中,数据清洗包括对缺失值和异常值的处理,当与治疗强相关的关键字段缺失时,删除对应的数据,否则以空值代替;对类别型特征数据进行赋值,全部赋值完毕后,归一化处理。
4.根据权利要求1所述的一种基于人工智能技术的超促排卵治疗中卵泡发育预测系统,其特征在于:所述步骤3包括以下步骤:
步骤3.1:基于步骤2处理后的数据,建立训练数据集和验证数据集;
步骤3.2:对训练数据集和验证数据集分别设置标签字段;标签字段为最终获取的卵泡数量;
步骤3.3:构建三层全连接神经网络,以输出的预测值与标签字段对应的标签值之间的均方根误差为反馈,对神经网络进行训练;
步骤3.4:得到稳定的促排卵方案类型选择预测模型,用于预测患者在使用不同治疗方案下最终能够获取的卵泡数量。
5.根据权利要求4所述的一种基于人工智能技术的超促排卵治疗中卵泡发育预测系统,其特征在于:所述步骤3.3中,三层全连接神经网络包括顺次设置的输入层、隐含层和输出层,所述输入层用于第一层为输入层用于接收输入数据,所述输出层用于输出预测值。
6.根据权利要求5所述的一种基于人工智能技术的超促排卵治疗中卵泡发育预测系统,其特征在于:配合所述三层全连接神经网络的输入层还构建有特征加权调整模块;对于任一特征x进行加权,得到加权后的特征x′,x′=x·f(X),其中,f(X)=W·X+b,X为所有特征的集合,f(X)为该特征的最终权重,W和b是可学习的参数集合,W和b通过梯度下降算法更新。
7.根据权利要求1所述的一种基于人工智能技术的超促排卵治疗中卵泡发育预测系统,其特征在于:所述步骤4包括以下步骤:
步骤4.1:基于步骤2处理后的数据,建立训练数据集和验证数据集;
步骤4.2:对训练数据集和验证数据集分别设置标签字段;标签字段为任一次治疗后卵泡生长情况预测值、当前次治疗后的状态及下一次治疗建议用药量;
步骤4.3:构建改进后的全连接-LSTM神经网络,以输出结果的准确度作为反馈,对神经网络进行训练,直到准确度低于设定阈值或执行批次数量达到预设值;
步骤4.4:得到稳定的基于LSTM的预测模型,用于预测患者在使用不同治疗方案下的结果。
8.根据权利要求7所述的一种基于人工智能技术的超促排卵治疗中卵泡发育预测系统,其特征在于:所述步骤4.3中,全连接-LSTM神经网络包括若干级神经网络块,任一神经网络块包括顺次设置的两层全连接网络和LSTM层;
第一级神经网络块的输入端对应任一病患的初始数据,最后一级神经网络块的输出端对应最后一次治疗后病患的信息数据;
第一级神经网络块的全连接网络输出的隐含向量为第一级神经网络块的LSTM层输入;
所有的神经网络块的LSTM层输出中间向量,任一所述中间向量与后一个神经网络块的全连接网络输出的隐含向量共同作为后一个神经网络块的LSTM层的输入。
9.根据权利要求8所述的一种基于人工智能技术的超促排卵治疗中卵泡发育预测系统,其特征在于:匹配所述专家干预数据模块的任一两层全连接网络的输入端配置有专家干预特征加权调整模块;用于对每一级神经网络块的输入进行预调整。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110526960.1A CN113317820B (zh) | 2021-05-14 | 2021-05-14 | 一种基于人工智能技术的超促排卵治疗中卵泡发育预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110526960.1A CN113317820B (zh) | 2021-05-14 | 2021-05-14 | 一种基于人工智能技术的超促排卵治疗中卵泡发育预测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113317820A CN113317820A (zh) | 2021-08-31 |
CN113317820B true CN113317820B (zh) | 2022-09-09 |
Family
ID=77415616
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110526960.1A Active CN113317820B (zh) | 2021-05-14 | 2021-05-14 | 一种基于人工智能技术的超促排卵治疗中卵泡发育预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113317820B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114418182B (zh) * | 2021-12-17 | 2023-01-31 | 北京市农林科学院信息技术研究中心 | 基于机器学习的肉牛育种优选方法及装置 |
CN114842937B (zh) * | 2022-05-20 | 2024-05-28 | 广州医科大学附属第三医院(广州重症孕产妇救治中心、广州柔济医院) | 用于ohss预测的智能监测方法及系统 |
CN116433652B (zh) * | 2023-05-11 | 2024-02-23 | 中南大学 | 用于确定胚胎移植的妊娠结果的方法、处理器及装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104053782A (zh) * | 2011-09-26 | 2014-09-17 | 富力国际有限公司 | 用于预测对用于治疗雄激素性脱发的米诺地尔的反应的系统和方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050216200A1 (en) * | 2004-03-29 | 2005-09-29 | The Govt. of U.S.A. Represented by the Secretary, Department of Health and Human Services | Neural network pattern recognition for predicting pharmacodynamics using patient characteristics |
CN110021397A (zh) * | 2019-02-01 | 2019-07-16 | 捷普科技(上海)有限公司 | 基于人体生理参数预测给药量的方法及存储介质 |
US20200395117A1 (en) * | 2019-06-14 | 2020-12-17 | Cycle Clarity, LLC | Adaptive image processing method and system in assisted reproductive technologies |
CN110752002B (zh) * | 2019-10-17 | 2022-07-05 | 清华大学 | 一种药物用量预测装置 |
CN111145912B (zh) * | 2019-12-23 | 2023-04-18 | 浙江大学 | 一种基于机器学习的个性化超促排卵方案的预测装置 |
CN112037856A (zh) * | 2020-09-30 | 2020-12-04 | 华中农业大学 | 基于注意力神经网络的药物互作用及事件预测方法和模型 |
-
2021
- 2021-05-14 CN CN202110526960.1A patent/CN113317820B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104053782A (zh) * | 2011-09-26 | 2014-09-17 | 富力国际有限公司 | 用于预测对用于治疗雄激素性脱发的米诺地尔的反应的系统和方法 |
Non-Patent Citations (3)
Title |
---|
A machine learning approach for prediction of pregnancy outcome following IVF treatment;Hassan, MR,等;《NEURAL COMPUTING & APPLICATIONS》;20200416;第32卷(第7期);全文 * |
Machine learning vs. classic statistics for the prediction of IVF outcomes;Barnett-Itzhaki, Z,等;《JOURNAL OF ASSISTED REPRODUCTION AND GENETICS》;20200824;第37卷(第10期);全文 * |
非多囊卵巢综合征患者控制性促排卵过程中卵巢高反应的;以善佳,等;《妇产与遗传( 电子版)》;20180430;第8卷(第4期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113317820A (zh) | 2021-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113317820B (zh) | 一种基于人工智能技术的超促排卵治疗中卵泡发育预测系统 | |
CN112185561B (zh) | 用户画像的生成方法、装置和计算机设备 | |
CN111145912B (zh) | 一种基于机器学习的个性化超促排卵方案的预测装置 | |
CN110491505A (zh) | 预测受试者卵巢刺激过程中获得的卵母细胞数量的系统 | |
Prerana et al. | Predictive data mining for diagnosis of thyroid disease using neural network | |
CN109859815A (zh) | 一种辅助用药决策方法及智能辅助用药系统 | |
CN110115563A (zh) | 一种中医证型预测系统 | |
Mancini et al. | Computing personalised treatments through in silico clinical trials. A case study on downregulation in assisted reproduction | |
CN108538352B (zh) | 用药信息处理方法 | |
CN109785973A (zh) | 一种手术患者在围手术期发生并发症的定量预测方法 | |
CN111863238A (zh) | 一种基于平行智能的慢病诊疗系统及诊疗方法 | |
Nisal et al. | Personalized medicine for in vitro fertilization procedure using modeling and optimal control | |
CN110752002A (zh) | 一种药物用量预测装置 | |
CN111312408A (zh) | 一种基于大数据的临床药物效果评估方法 | |
Singh et al. | A Petri net analysis to study the effects of diabetes on cardiovascular diseases | |
CN116543870B (zh) | 一种高血压患者药物依从性分析方法、系统、设备和介质 | |
CN112365952A (zh) | 基于机器学习法的产时缩宫素速度智能调控方法及系统 | |
CN116453643A (zh) | 一种基于大数据的用药决策辅助方法及系统 | |
CN117253580A (zh) | 一种自动化患者监测护理系统、方法以及装置 | |
Nisal et al. | Personalized medicine for GnRH antagonist protocol in in vitro fertilization procedure using modeling and optimal control | |
CN112259222B (zh) | 一种妇产科高危产妇管理方法和装置 | |
Wang et al. | A knowledge-based decision support system for in vitro fertilization treatment | |
CN113192631A (zh) | 一种多学科协作进行智能化大脑抗衰老诊疗的系统和方法 | |
CN113470809A (zh) | 一种全麻患者术后不良反应的预测方法 | |
Fischer-Holzhausen et al. | Mathematical modelling of follicular growth and ovarian stimulation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |